定性データを分析する研究者の方、締め切りに追われる記者の方、フィールドワークの録音がスマートフォンに溜まっている学生の方 — 手作業での文字起こしは、音声1時間あたり4〜6時間かかります。Axileroなら数分です。しかも、公開されている中で最高精度の音声モデルであるWhisper Large-v3を、有料ジョブに限らずすべてのジョブで使用します。
インタビューは個人データでもあります。録音はEU内のサーバーのみで処理され、文字起こしが完了した瞬間に自動削除されます — アーカイブされることも、AIモデルの学習に使われることもありません。アカウントに残るのはテキストのみで、いつでも削除できます。
録音をアップロード
MP3、WAV、M4A、MP4などほとんどの形式にそのまま対応 — 動画も含め、変換は不要です。
文字起こしは自動で実行
言語は自動検出され（95以上に対応）、話者も識別・ラベル付けされます。1時間のインタビューなら通常数分で完了します。
編集してエクスポート
ブラウザのエディタで人名や専門用語を修正し、Word、テキスト、タイムスタンプ付きJSONでエクスポートできます。
文字起こし完了と同時に音声を自動削除
EU内のサーバーのみで処理
AIモデルの学習には不使用・共有なし
話者ラベルが聞き手と話し手を区別
すべての文字起こしに自動話者識別を追加できます。質問と回答はSpeaker 1、Speaker 2のように話者ごとに帰属され、2人のインタビューは文字の壁ではなく対話として読めます。パネルインタビューやフォーカスグループでも、それぞれの声に個別のラベルが付きます。
現実の録音環境のために設計
インタビューの音質がスタジオ並みであることはまれです。Whisper Large-v3は、なまり、即興の発話、言い直し、専門用語の処理において軽量モデルを大きく上回ります — だからこそ、すべてのユーザーにフルモデルを提供しています。クリアな音声では95〜98%の精度が期待でき、残りの修正はブラウザのエディタですばやく行えます。
95以上の言語の録音に自動言語検出で対応し、文字起こしは主要20以上の言語間で翻訳できます — 多言語の研究プロジェクトにも便利です。
調査協力者に約束できる機密性
研究倫理委員会や編集ガイドラインは、録音の行き先をますます重視しています。Axileroなら答えは明快です: 音声はEU内のGPUサーバーで処理され、ジョブ完了と同時に自動削除され、AI学習に使われることも誰かと共有されることもありません。これはGDPRのデータ最小化原則にそのまま対応します — 録音が当社のシステムに存在するのは、文字起こしに必要な数分間だけです。
文字起こしから引用可能なテキストへ
Wordで注釈を付けるならDOCX、分析ソフトに読み込むならテキストやMarkdown、引用が話された正確な瞬間に戻る必要があるならセグメントごとのタイムスタンプ付きJSONでエクスポートできます。タイムスタンプは編集後も保持されるため、元の音声との照合はいつでも簡単です。
よくある質問
1時間のインタビューの文字起こしにどのくらいかかりますか？+
通常は数分です。文字起こしはGPUサーバー上で実時間の何倍もの速度で実行されます。ページを離れても大丈夫です — ジョブは動き続けます。
聞き手と話し手を区別できますか？+
はい。話者ラベルを有効にすると、各話者が自動的に識別され、Speaker 1、Speaker 2のようにラベル付けされます。複数人のフォーカスグループでも機能します。
なまりやノイズの多い録音での精度は？+
すべてのジョブでWhisper Large-v3を使用しており、なまりや不完全な音声への耐性が高いモデルです。クリアな録音では95〜98%の精度に達します。強い背景ノイズや発話の重なりがあると精度は下がりますが、内蔵エディタで素早く修正できます。
インタビューの内容は秘密が守られますか？+
音声はEU内のサーバーのみで処理され、文字起こし完了と同時に自動削除されます。データでモデルを学習させることも共有することもありません。アカウントに残るのは文字起こしテキストのみで、いつでも削除できます。
料金はいくらですか？+
無料プランは1日3回の文字起こし（1ファイル30分まで）で、クレジットカードは不要です。Proは月額$15で、長さ無制限の文字起こし、AI要約、APIアクセスが利用できます。
どのエクスポート形式に対応していますか？+
Word (DOCX)、テキスト、Markdown、タイムスタンプ付きJSON、字幕形式（SRT、VTT）に対応しています。